Docs | Src |  A-  |  A*  |  A+  | -/-

Metadata
sourcehttps://www.thoughtworks.com/radar/languages-and-frameworks
created2026-11-10
byopenai:gpt-6.1-sol
# 언어와 프레임워크 | 테크놀로지 레이더 | 소트웍스 ## 언어와 프레임워크 ### 채택 * #### 104. 오픈 데이터 계약 표준(ODCS) **[오픈 데이터 계약 표준(Open Data Contract Standard, ODCS)](https://bitol-io.github.io/open-data-contract-standard)**은 YAML로 데이터 계약을 선언적으로 정의한다. 데이터 제품의 스키마, 품질 기대치, 서비스 수준을 포괄한다. 리눅스 재단의 [비톨](https://bitol.io/) 프로젝트가 개발하며, 이 프로젝트는 2026년 7월 정식 프로젝트로 승격됐다. 경쟁 표준과 자체 형식이 여럿 존재하지만, ODCS는 주요 표준으로 자리 잡았다. [데이터 계약 CLI](https://www.thoughtworks.com/radar/tools/data-contract-cli) 유지관리자들도 DCS를 지원 중단하고 ODCS로 전환하고 있다. 데이터 메시와 데이터 제품을 구축하는 여러 고객사가 ODCS로 전환하고 있다. [오픈 데이터 제품 표준(ODPS)](https://bitol-io.github.io/open-data-product-standard)을 함께 도입하는 경우도 많다. 데이터 계약에 대한 관심도 커지고 있다. 선언적 형식 덕분에 사람과 AI 에이전트 모두 계약을 해석하고 검토하며 검증하기 쉽다는 점도 그 이유 중 하나다. 데이터 제품을 구축하는 팀이 기본으로 선택하기에 적합하다고 판단해 ODCS를 채택 단계에 배치했다. ### 시범 적용 * #### 105. 보토치 **[보토치(BoTorch)](https://botorch.org/)**는 [파이토치](https://www.thoughtworks.com/radar/languages-and-frameworks/pytorch) 기반의 베이지안 최적화용 오픈 소스 프레임워크다. 베이지안 최적화는 주로 하이퍼파라미터 튜닝에 쓰이지만, 실제 과학·공학 문제에 적용하는 사례도 점점 늘고 있다. 기존 도구로 해결하기 어려운 경우, 보토치는 확률 모델과 사용자 정의 획득 함수를 구성하는 데 필요한 모듈성과 저수준 제어 기능을 제공한다. 실험 오케스트레이션을 담당하는 [액스](https://www.thoughtworks.com/radar/platforms/ax)와 함께 사용하면, 보토치는 제품 배합 설계나 연구개발 최적화 같은 분야에서 특히 뛰어나다. 이런 분야는 물리적 평가나 실험에 드는 비용이 크고, 모든 경우의 수를 탐색하기도 어렵다. 보토치는 복잡한 탐색 공간에서 팀이 상충 관계를 효율적으로 살피고, 제한된 평가 예산으로 최대한의 성과를 얻도록 돕는다. * #### 108. 오픈FGA **[오픈FGA(OpenFGA)](https://openfga.dev/)**는 구글의 잔지바르에서 영감을 받은 오픈 소스 세분화 인가 시스템이다. 사용자와 리소스 사이의 관계를 모델링해 권한을 결정한다. 이를 통해 애플리케이션은 “이 사용자가 이 리소스에 접근할 수 있는가?” 같은 질문에 답할 수 있다. 기존 역할 기반 접근 제어(RBAC)와 달리, 오픈FGA는 리소스별로 복잡하게 설정된 권한과 계층적 관계를 지원한다. 인가 로직을 중앙에서 관리하므로 분산 서비스 전반의 유지보수성, 일관성, 테스트 용이성, 감사 가능성이 좋아진다. 우리는 정교한 관계 기반 접근 제어(ReBAC)를 구현하기 위해 프로덕션 환경에서 오픈FGA를 성공적으로 사용했다. 사이드카 전략으로 배포해 지연 시간이 짧은 권한 검사를 구현했다. 표준 RBAC만으로 요구사항을 충족하기 어려울 때 유력한 선택지다. * #### 109. 프레시디오 **[프레시디오(Presidio)](https://microsoft.github.io/presidio/)**는 정형·비정형 텍스트에서 민감한 데이터를 식별하고 익명화하는 데이터 보호 SDK다. 개체명 인식, 정규 표현식, 규칙 기반 로직을 사용해 신용카드 번호, 이름, 위치 같은 개인 식별 정보(PII)를 탐지한다. 사용자 정의 개체 인식기와 비식별화 파이프라인을 지원하므로, 조직의 개인정보 보호 및 규제 준수 요구에 맞게 조정하면 된다. 우리 팀들은 데이터 공유 통제가 엄격한 기업 환경에서 LLM을 연동할 때 프레시디오를 사용했다. 민감한 정보 탐지를 자동화하지만 완벽하지는 않다. 개체를 놓치거나 잘못 식별할 수 있으므로 결과를 신중하게 사용해야 한다. * #### 110. 프롬프트푸 우리는 2023년에 프롬프트 테스트 도구인 **[프롬프트푸(Promptfoo)](https://github.com/promptfoo/promptfoo)**를 평가 단계에 배치했다. 지금도 에이전트의 도구 호출과 CI 게이트를 비롯한 평가에 사용하고 있으며, 이제는 레드팀 테스트에도 사용한다. 두 용도 모두 시범 적용하길 권한다. 애플리케이션을 레드팀 테스트하려면 먼저 그 용도를 설명한다. 그러면 프롬프트푸가 선택한 위험에 맞춰 공격을 생성하고, 공격 전략을 적용한 뒤 응답을 채점한다. 우리는 도메인별 안전 규칙이 적용된 프로덕션 대화형 어시스턴트를 레드팀 테스트하는 데 프롬프트푸를 사용했다. 그때그때 수동으로 취약점을 탐색하던 작업을 수정할 때마다 다시 실행하는 반복 가능한 테스트로 바꿨다. [상태 유지형 가드레일](https://www.thoughtworks.com/radar/techniques/stateful-guardrails)과도 함께 사용할 수 있다. 가드레일이 실행 중 제어를 담당하고, 프롬프트푸는 그 제어가 제대로 작동하는지 테스트한다. 프롬프트푸는 현재 오픈AI 소유지만, 여전히 MIT 라이선스를 유지하며 특정 모델에 종속되지 않는다. 일부 고급 모의 공격은 프롬프트푸의 호스팅 서비스에 의존하므로, 어떤 데이터가 조직 외부로 나가는지 확인하고 허용 가능한지 판단해야 한다. ### 평가 * #### 111. 애플 코어 AI **[애플 코어 AI(Apple Core AI)](https://developer.apple.com/documentation/coreai)**는 애플 실리콘을 사용해 기기에서 AI 및 머신러닝 모델을 직접 실행하는, 최근 출시된 프레임워크다. 모바일 개발을 위한 네이티브 스위프트 지원을 제공하며, 애플의 기존 프레임워크인 코어 ML을 잇는 차세대 프레임워크다. 개발자는 외부 서비스에 의존하는 대신 기기 자체의 연산 자원을 사용해 iOS 애플리케이션에 AI 기능을 네이티브로 통합할 수 있다. 이 생태계에서 특히 주목할 만한 기능은 Xcode의 Evaluations 프레임워크다. 스위프트 테스팅을 확장해 애플의 파운데이션 모델로 구축한 생성형 AI 기능을 평가한다. 비결정적인 LLM 출력을 평가하려면 그동안 사용자 정의 백엔드 스크립트나 서드파티 AI 평가 도구가 필요했다. 이제는 네이티브 개발 워크플로 안에서 합성 데이터셋으로 테스트를 실행하고, 코드로 정량 지표를 측정할 수 있다. 어조와 관련성 같은 정성적 기준에는 모델을 심사자로 사용하는 채점 방식도 적용한다. * #### 112. CALM 공통 아키텍처 언어 모델(Common Architecture Language Model), 즉 **[CALM](https://calm.finos.org/)**은 소프트웨어 아키텍처를 표준화된 기계 판독 형식으로 정의하는 FINOS의 오픈 소스 명세다. 확장 가능한 JSON 메타스키마를 기반으로 하며, 실제 구현과 어긋나기 쉬운 정적 다이어그램과 문서에 의존하는 대신 아키텍처를 코드로 다룬다. 대기업에서는 시스템이 정해진 설계 패턴을 따르도록 보장하기가 쉽지 않다. CALM을 사용하면 팀별로 아키텍처를 분산 정의하고 관리하면서도, 필요할 때는 통합된 관점에서 전체를 살펴볼 수 있다. 구조화된 설명은 의도한 아키텍처를 준수하는지 검증하는 데도 도움이 된다. [머메이드](https://www.thoughtworks.com/radar/tools/mermaid) 같은 도구가 다이어그램을 코드로 표현하도록 지원한다면, CALM은 아키텍처 준수 여부를 확인하고 프로그래밍 방식으로 거버넌스를 수행할 수 있는 기계 판독 기반을 제공한다. * #### 113. 하인드사이트 **[하인드사이트(Hindsight)](https://hindsight.vectorize.io/)**는 벡터라이즈의 AI 에이전트용 오픈 소스 메모리 시스템이다. LLM이 대화에서 사실, 개체, 타임스탬프를 추출해 포스트그레스에 저장한다. 회상 기능은 의미 검색, 키워드 검색, 그래프 검색, 시간 기반 검색을 결합한 뒤 결과의 순위를 다시 매긴다. 성찰 연산은 저장된 기억을 통합해 관찰 결과와 “멘탈 모델(mental models)”로 정리하며, 새로운 증거가 들어오면 이를 갱신한다. 이런 통합 기능은 가장 관련성이 높다고 판단한 사실을 추출해 저장하는 [Mem0](https://www.thoughtworks.com/radar/languages-and-frameworks/mem0)와 차별화되는 부분이다. 하인드사이트는 사용자나 에이전트마다 별도의 메모리 저장소를 유지한다. 자체 호스팅하거나 관리형 하인드사이트 클라우드 서비스를 통해 사용할 수 있다. 에이전트는 SDK, 프레임워크 통합 기능 또는 MCP 서버를 통해 연결한다. 하인드사이트는 세션을 넘어 기억을 유지해야 하는 맞춤형 에이전트에 특히 유용하다. 우리 팀 중 하나는 해커톤 프로젝트에서 이를 사용해 에이전트에 사용자별 메모리를 부여했다. 이 메모리는 세션을 거듭할수록 개선된다. 하인드사이트는 클로드 코드 같은 코딩 에이전트용 플러그인도 제공한다. 다만 이런 에이전트는 이미 세션 간 기억을 유지하는 자체 메커니즘을 갖추고 있다. 공급업체는 긴 대화 기록에 대한 회상 능력을 테스트하는 [LongMemEval](https://arxiv.org/abs/2410.10813) 벤치마크에서 최상위권 점수를 기록했다고 보고한다. 사용자별 장기 기억이 필요한 에이전트를 구축하는 팀이라면 하인드사이트와 Mem0를 비교하는 것이 바람직하다. 회상 및 기억 통합 기능이 에이전트의 동작을 얼마나 개선하는지 측정하고, 그 효과가 추가 LLM 호출과 인프라 비용을 정당화하는지 평가해야 한다. * #### 114. 퀸트 **[퀸트(Quint)](https://quint.sh/)**는 동작의 시제 논리인 [TLA+](https://www.thoughtworks.com/radar/languages-and-frameworks/tla)의 기초 계산 체계를 바탕으로 한 정형 명세 언어다. TLA+와 마찬가지로 동시성이 얽힌 복잡한 시스템에서 미묘한 버그를 찾도록 설계됐다. 퀸트는 가독성과 개발자 경험 면에서 TLA+와 차별화된다. 타입스크립트와 유사한 문법 덕분에 명세를 검토하기 쉽다. 특히 에이전트가 명세를 작성할 때 유용하다. 타입 검사기, REPL, 시뮬레이터도 갖췄으며 npm으로 설치한다. 시뮬레이터는 무작위 실행으로 적은 비용을 들여 모델을 검증한다. 명세에서 실행 추적을 생성해 구현을 테스트하는 기능도 제공한다. 우리 팀들은 퀸트의 도구 지원과 TLA+의 성숙도를 저울질하며 둘 중 하나를 고르기가 쉽지 않다고 느꼈다. 퀸트의 지속적인 개발이 여러 언어를 활용한 검증 방식의 확산을 보여주는 신호이기를 기대한다. * #### 115. 솔리드JS **[솔리드JS(SolidJS)](https://www.solidjs.com/)**는 사용자 인터페이스를 만드는 선언적 자바스크립트 라이브러리다. 높은 성능과 세밀한 반응성으로 계속 주목받고 있다. 최근 업데이트에서는 클라이언트와 서버 간 비동기 통신을 위한 중요한 내장 기능이 추가됐다. 솔리드JS가 이런 작업을 자체적으로 처리하므로 API 호출, 캐싱, 중복 요청 제거를 관리할 외부 라이브러리가 필요 없다. 이 기능들은 경쟁 상태와 로딩 상태 같은 일반적인 비동기 문제를 프레임워크 안에서 직접 해결해 개발자 경험을 개선한다. 서스펜스 경계도 세밀하게 제어한다. 따라서 비동기 컴포넌트가 표시되는 순서를 네트워크 응답 상황에 맡기는 대신 개발자가 직접 정할 수 있다. 솔리드스타트 프레임워크를 비롯해 도구 생태계도 확장되고 있어, 고성능 웹 애플리케이션을 구축할 때 검토할 만한 매력적인 대안이다. * #### 116. 스파르탄/ui **[스파르탄/ui(spartan/ui)](https://spartan.ng/)**는 [shadcn](https://www.thoughtworks.com/radar/languages-and-frameworks/shadcn)의 접근 방식을 [앵귤러](https://www.thoughtworks.com/radar/languages-and-frameworks/angular)에 적용한다. 앵귤러 CDK를 기반으로 구축된, 접근성을 갖추고 스타일은 지정되지 않은 기본 요소를 npm에서 설치한다. 그런 다음 자체 소스 코드에 두는 스타일 적용 컴포넌트와 결합한다. 이런 분리가 설계의 핵심이다. 접근성, 동작, 상태는 기반 라이브러리가 관리하고 스타일은 개발자가 제어한다. 앵귤러 머티리얼의 대안으로 충분히 고려할 만하다. 우리 팀 중 하나는 여러 애플리케이션에서 사용할 브랜드 컴포넌트 라이브러리의 기반으로 이를 사용했다. 덕분에 디자인 시스템을 처음부터 구축할 필요가 없었고, 공통 컴포넌트를 만들고 유지보수하는 수고도 줄었다. 스파르탄/ui는 2026년 6월에 버전 1.0에 도달했지만, 여전히 비교적 초기 단계다. CLI로 자체 소스 코드의 스타일 적용 컴포넌트를 업그레이드할 때 다소 미흡한 부분을 경험했으므로 평가 단계에 유지한다. * #### 117. TLA+ **[TLA+](https://lamport.azurewebsites.net/tla/tla.html)**는 분산 시스템의 설계 결함을 식별하는 정형 명세 언어다. 2015년에 레이더에서 마지막으로 다뤘을 때는 핵심 시스템이 아니라면 도입에 드는 노력이 지나치게 컸다. 이후 코딩 에이전트가 등장하면서 판단의 기준이 달라졌다. TLA+ 사용 비용은 낮아졌고 가치는 높아졌다. 불편한 개발자 경험은 더 이상 도입을 가로막는 요인이 아니다. 다만 친숙한 문법을 원하는 팀이라면 [퀸트](https://www.thoughtworks.com/radar/languages-and-frameworks/quint)를 선호할 수 있다. 사전 경험이 없는 팀이 TLA+ 모델을 기준으로 애플리케이션 실행 추적을 검증하는 사례도 관찰했다. 한편, 에이전트가 생성한 코드를 관리하기 위한 품질 보증 기법의 필요성은 더욱 커졌다. TLA+는 한때 다이너모DB의 미묘한 버그를 찾는 데 이를 사용한 AWS 같은 조직의 전유물이었다. 이제는 [변이 테스트](https://www.thoughtworks.com/radar/techniques/mutation-testing), [속성 기반 단위 테스트](https://www.thoughtworks.com/radar/techniques/property-based-unit-testing)와 함께 여러 언어를 활용한 검증이라는 더 넓은 흐름의 일부가 됐다. 관련 항목 * [퀸트 · 평가 · 언어와 프레임워크 · 2026년 11월](https://www.thoughtworks.com/radar/languages-and-frameworks/quint) * [변이 테스트 · 채택 · 기법 · 2026년 11월](https://www.thoughtworks.com/radar/techniques/mutation-testing) * [속성 기반 단위 테스트 · 평가 · 기법 · 2014년 7월](https://www.thoughtworks.com/radar/techniques/property-based-unit-testing) ### 주의 해당 항목 없음